用keras创建拟合网络解决回归问题Regression

最新推荐文章于 2024-07-22 17:32:39 发布

csmqq

最新推荐文章于 2024-07-22 17:32:39 发布

阅读量2.7w

点赞数 4

分类专栏：机器学习

本文链接：https://blog.csdn.net/csmqq/article/details/51424919

版权

本文介绍了如何使用Keras构建神经网络来拟合正弦曲线，重点强调了训练数据的矩阵形式、数据规范化、激活函数的选择（tanh）、误差函数（mean_squared_error）以及训练过程中的调试技巧。通过绘制预测值与输入值对比图和误差随迭代变化的曲线，帮助理解模型性能。

摘要由CSDN通过智能技术生成

实现了正弦曲线的拟合，即regression问题。

创建的模型单输入单输出，两个隐层分别为100、50个神经元。

在keras的官方文档中，给的例子多是关于分类的。因此在测试regression时，遇到了一些问题。总结来说，应注意以下几个方面：

1）训练数据需是矩阵型，这里的输入和输出是1000*1，即1000个样本；每个样本得到一个输出；

注意：训练数据的生成非常关键，首先需要检查输入数据和输出数据的维度匹配；

2）对数据进行规范化，这里用到的是零均值单位方差的规范方法。规范化方法对于各种训练模型很有讲究，具体参照另一篇笔记：http://blog.csdn.net/csmqq/article/details/51461696；

3）输出层的激活函数选择很重要，该拟合的输出有正负值，因此选择tanh比较合适；

4）regression问题中，训练函数compile中的误差函数通常选择mean_squared_error。

5）值得注意的是，在训练时，可以将测试数据的输入和输出绘制出来，这样可以帮助调试参数。

6）keras中实现回归问题，返回的准确率为0。

# -*- coding: utf-8 -*-
"""
Created on Mon May 16 13:34:30 2016
@author: Michelle
"""
from keras.models import Sequential

关注

专栏目录